机器学习和深度学习

机器学习（Ml）是训练计算机程序或系统在没有明确指令的情况下执行任务的科学。计算机系统使用机器学习算法来处理大量数据，识别数据模式并预测未知或新场景的准确结果。深度学习是机器学习的一个子集，使用特定的算法结构，称为神经网络，以人脑为模型。深度学习方法试图自动执行通常需要人类智能的更复杂的任务。例如，可以使用深度学习来描述图像，翻译文档或将声音文件转录为文本。

• 深度学习 是机器学习的子集，它基于人工神经网络，学习过程之所以是深度性的，是因为人工神经网络的结构由多个输入输出和隐藏层构成。每个层包括的单元可将输入数据转化为信息，供下一层用于特定 的预测任务。得益于这种结构，机器可以通过自身的数据处理进行学习
• 机器学习是人工智能的子集，他采用可让机器凭借经验在任务中做出改善的技术（例如深度学习），学习过程基于以下步骤：
  1. 将数据馈送到算法中。（在此步骤中，可向模型提供更多信息，例如，通过执行特征提取。）
  2. 使用此数据训练模型。
  3. 测试并部署模型。
  4. 使用部署的模型执行自动化测试预测任务。换言之，调用并使用部署的模型来接受模型返回的预测。）
• 人工智能（AI）是使机器能够模拟人类智能的技术。其中包括机器学习
• 生成式AI 是人工智能的一部分，可使用深度学习等技术生成新的内容。例如，可以使用生成式AI创建图像，文本或音频。这些模型利用大量预先训练的知识来生成次内容。

使用机器学习和深度学习技术，可以构建所需的计算机系统和应用程序来执行通常与人工智能相关的任务。这些任务包括图像识别，语音识别，和语音翻译。

	所有机器学习	仅限深度学习
数据点数	可以使用少量的数据做出预测。	需要使用大量的训练数据做出预测。
硬件依赖项	可在低端机器上工作。 不需要大量的计算能力。	依赖于高端机器。 本身就能执行大量的矩阵乘法运算。 GPU 可以有效地优化这些运算。
特征化过程	需要可准确识别且由用户创建的特征。	从数据中习得高级特征，并自行创建新的特征。
学习方法	将学习过程划分为较小的步骤。 然后，将每个步骤的结果合并成一个输出。	通过端到端地解决问题来完成学习过程。
执行时间	花费几秒到几小时的相对较少时间进行训练。	通常需要很长的时间才能完成训练，因为深度学习算法涉及到许多层。
输出	输出通常是一个数值，例如评分或分类。	输出可以采用多种格式，例如文本、评分或声音。